האם אני יכול לסמוך על הערכות קלוריות בתמונות בעזרת AI? נתוני דיוק לפי אפליקציה וסוג ארוחה

הערכת קלוריות בתמונות בעזרת AI הפכה מתופעה מדעית לפיצ'ר סטנדרטי בפחות מחמש שנים. פשוט כוונו את הטלפון שלכם לצלחת אוכל, לחצו על כפתור, והאפליקציה תאמר לכם את כמות הקלוריות. אבל כמה אפשר לסמוך על המספר הזה? התשובה תלויה בשלושה גורמים: איזו אפליקציה אתם משתמשים, מה אתם אוכלים, ואם ה-AI מתאם את הזיהוי שלו לנתוני תזונה מאומתים.

הנה מה שמראה למעשה נתוני הדיוק בין האפליקציות העיקריות וסוגי הארוחות.

איך פועלת הערכת קלוריות בתמונות בעזרת AI

כל אפליקציה להערכת קלוריות בתמונות פועלת באותו צינור עבודה של שלושה שלבים. הבנת השלבים הללו עוזרת להבין היכן מתרחשות השגיאות.

שלב 1: זיהוי אובייקטים. ה-AI מזהה אילו מזונות נמצאים על הצלחת. הוא מחלק את התמונה לאזורים ומסווג כל אזור כפריט מזון ספציפי. צלחת עם עוף, אורז וברוקולי מקבלת שלוש סיווגים נפרדים.

שלב 2: הערכת מנות. ה-AI מעריך כמה מכל מזון נמצא. כאן טמון האתגר הגדול ביותר. צילום תלת-ממדי של מזון תלת-ממדי מאבד מידע על עומק. ה-AI לא יכול לראות כמה עבה חתיכת עוף, כמה עמוק קערת האורז, או כמה רוטב מוסתר מתחת למזון הנראה.

שלב 3: התאמת מסד נתונים. המזון המזוהה והמנות המוערכות מתואמות למסד נתונים תזונתי כדי לחשב קלוריות ומקרו. שלב זה לעיתים קרובות מתעלמים ממנו, אך הוא חשוב מאוד. גם אם ה-AI מזהה נכון "סלמון בגריל, בערך 150 גרם," התוצאה הקלורית תלויה לחלוטין בדיוק של רשומת המסד נתונים אליה הוא מתאם.

כל שלב מציג פוטנציאל לשגיאה. הדיוק הכולל של ההערכה הוא תוצר של הדיוק בכל שלב.

דיוק לפי אפליקציה וסוג ארוחה

הערכנו ארבע אפליקציות מובילות להערכת קלוריות בתמונות בעזרת AI בשלוש קטגוריות מורכבות של ארוחות. כל אפליקציה נבחנה עם 30 ארוחות (10 בכל קטגוריה), וההערכות של ה-AI הושוו לערכים קלוריים שנמדדו וחושבו ידנית בעזרת נתוני USDA.

אפליקציה	ארוחות פשוטות	ארוחות מורכבות	ארוחות במסעדות	סך הכל
Nutrola	90-95%	75-85%	70-80%	80-87%
Cal AI	85-92%	65-78%	60-72%	70-81%
Foodvisor	83-90%	63-75%	58-70%	68-78%
SnapCalorie	80-88%	60-73%	55-68%	65-76%

ארוחות פשוטות כללו צלחות עם פריט אחד בולט: חזה עוף בגריל עם ירקות מאודים, קערת שיבולת שועל עם פירות, סלט פשוט עם תוספות נראות.

ארוחות מורכבות כללו מנות עם רכיבים מעורבים או חופפים: מוקפצים, פסטה עם רוטב ותוספות, בוריטו עמוס, קערות עם שכבות.

ארוחות במסעדות כללו מנות מוגשות במסעדות עם רטבים, קישוטים ומנות לא סטנדרטיות.

פער הדיוק בין ארוחות פשוטות למורכבות קיים בכל האפליקציות. זה לא בעיית איכות תוכנה. זו מגבלה יסודית של הערכת נפח מזון תלת-ממדי מתמונה דו-ממדית.

המגבלה היסודית: תמונות דו-ממדיות של מזון תלת-ממדי

אף AI לא יכול להתגבר על בעיית הפיזיקה שבמרכז ההערכה המבוססת על תמונות. צילום תופס שטח פנים אך לא נפח. זה יוצר נקודות עיוורון ספציפיות שכל אפליקציה חולקת.

שכבות מוסתרות. קערת בוריטו שצולמה מלמעלה מראה את השכבה העליונה של התוספות. האורז, השעועית והחלבון שמתחת מוסתרים חלקית או לחלוטין. ה-AI יכול להעריך רק מה שהוא לא יכול לראות.

עומק ועובי. שני חזהי עוף יכולים להיראות זהים מלמעלה אך להבדיל ב-50% במשקל אם אחד מהם עבה פי שניים. קערה שטוחה וקערה עמוקה של מרק נראות דומות בתמונה אך מכילות נפחים שונים מאוד.

רטבים ושמנים. שמני בישול שסופגים לתוך המזון, רטבים מעורבים בסלטים ורוטבים שמתחת לחלבונים הם בעיקר בלתי נראים. חזה עוף בגריל עם חמאה נראה כמעט זהה לאחד שבושל יבש, אך ההבדל הקלורי הוא 100 קלוריות או יותר.

שונות בצפיפות. כוס אורז דחוסה מכילה הרבה יותר קלוריות מכוס אורז רפויה. התמונה לא יכולה להבחין בצפיפות.

מחקר מ-2023 שפורסם בNutrients בדק מערכות זיהוי מזון בעזרת AI ומצא שהערכת גודל המנה הייתה מקור השגיאה הגדול ביותר, והייתה אחראית על 60-70% מהשגיאות בהערכות הקלוריות. דיוק זיהוי המזון היה גבוה יחסית, 85-95% עבור מזונות נפוצים, אך שלב הערכת המנות פגע בתוצאות הכוללות באופן משמעותי.

מתי הערכת קלוריות בתמונות בעזרת AI אמינה

למרות המגבלות, ישנם תרחישים שבהם הערכות קלוריות בתמונות בעזרת AI מדויקות באופן מהימן.

ארוחות עם פריט אחד בגבולות ברורים. חזה עוף בגריל על צלחת, קערת שיבולת שועל, תפוח שלם. כאשר המזון בעל צורה מוגדרת וללא רכיבים מוסתרים, הערכות ה-AI נמצאות באופן עקבי בטווח של 10% מהערכים האמיתיים.

ארוחות עם תמונות מוארות היטב מלמעלה. תאורה משפיעה באופן משמעותי על הדיוק. מחקר מ-2024 בFood Chemistry מצא שהדיוק בזיהוי מזון בעזרת AI ירד ב-12-18% בתנאי תאורה נמוכה בהשוואה לסביבות מוארות היטב. זוויות מלמעלה מספקות את הייצוג הקונסיסטנטי ביותר של שטח הפנים.

מזונות עם צפיפות אחידה. פרוסת לחם, פיסת פרי, ביצה קשה. מזונות שיש להם צפיפות אחידה לאורך כל הנפח שלהם קלים יותר להערכה על ידי ה-AI כי שטח הפנים מתאם בצורה מהימנה יותר עם המסה.

ארוחות שחזרת אותן ואישרת. אם אתה מצלם את אותו צהריים שאתה אוכל שלוש פעמים בשבוע ואישרת את ההערכה של ה-AI פעם אחת עם משקל מזון, תוכל לסמוך על ה-AI עבור הארוחות החוזרות.

תרחיש	דיוק צפוי	המלצה
פריט אחד, תאורה טובה	90-95%	סמוך על ההערכה
ארוחה פשוטה בצלחת, 2-3 פריטים	85-90%	סמוך עם התאמות מינוריות
קערה או צלחת עם מספר פריטים	70-80%	אמת פריטים מרכזיים עם משקל
מנה מעורבת (מוקפץ, קדרה)	60-75%	השתמש רק כהערכה גסה
תאורה עמומה או צלחת חלקית	55-70%	צלם מחדש או רישום ידני

מתי לא לסמוך על הערכות קלוריות בתמונות בעזרת AI

ישנם תרחישים שמספקים באופן עקבי הערכות לא מדויקות בכל האפליקציות.

תאורה עמומה או מלאכותית. תאורה נמוכה מפחיתה את הניגוד בתמונה ומקשה על זיהוי המזון. תאורה צבעונית במסעדות יכולה לשנות את צבע המזון המופיע, מה שמוביל לזיהוי שגוי.

מנות מעורבות וקדרות. כאשר מספר רכיבים משולבים למסה אחת, ה-AI לא יכול להפריד ולהעריך כל רכיב באופן מהימן. קדרה, קארי או תבשיל הם בעצם קופסה שחורה עבור המצלמה.

מזונות עם הרבה רוטב. רוטב מכסה את המזון שמתחתיו ומוסיף קלוריות משלו. צלחת פסטה עם רוטב מרינרה נראית דומה בין אם יש בה 2 כפות רוטב ובין אם חצי כוס. ההבדל הקלורי יכול להיות 100-200 קלוריות.

צלחות חלקיות ומזון שנאכל. אם כבר התחלת לאכול, ל-AI יש פחות נתונים חזותיים לעבוד איתם. סימני נגיסה, חלקים חסרים ומזון מסודר מחדש מפחיתים את הדיוק באופן משמעותי.

מזונות מטוגנים. ספיגת שמן במהלך הטיגון מוסיפה קלוריות משמעותיות שאינן נראות בתמונה. פיסת עוף מטוגן סופגת 15-30% ממשקלה בשמן במהלך טיגון עמוק, לפי מחקר שפורסם בJournal of Food Engineering. ה-AI רואה את העוף אך אינו יכול למדוד את השמן שסופג.

מזונות בכלים אטומים. שייקים בכוסות, מרקים בקערות עם פתח צר, ומוצרים עטופים כמו בוריטו או wraps מונעים מה-AI לראות את תוכן המזון האמיתי.

מדוע מסד הנתונים מאחורי ה-AI חשוב יותר ממה שאתם חושבים

רוב הדיונים על דיוק קלוריות בתמונות בעזרת AI מתמקדים בזיהוי התמונה ובשלב הערכת המנות. אך שלב ההתאמה למסד נתונים חשוב באותה מידה ולעיתים מתעלמים ממנו.

הנה הסיבה. דמיינו שה-AI מזהה את הארוחה שלכם כ"סלמון בגריל, בערך 170 גרם." אם הוא מתאם את הזיהוי הזה לרשומת מסד נתונים לא מאומתת שאומרת שסלמון בגריל הוא 150 קלוריות ל-100 גרם במקום 208 קלוריות ל-100 גרם (נתוני USDA), ההערכה שלכם תהיה 255 קלוריות במקום 354 קלוריות. זו שגיאה של 28% שהוכנסה לחלוטין על ידי מסד הנתונים, ולא על ידי מערכת הראייה של ה-AI.

כאן ההבדל בין האפליקציות הופך להיות משמעותי ביותר. AI שמזהה מזון בצורה נכונה אך מתאם למסד נתונים שנאסף על ידי משתמשים עם שגיאות, כפילויות ורשומות לא מאומתות, יפיק הערכות סופיות גרועות יותר מאשר AI עם הערכת מנות פחות מדויקת אך עם מסד נתונים מאומת.

רכיב דיוק	השפעה על ההערכה הסופית	היכן מקור השגיאות
זיהוי מזון	גבוה	מזונות לא רגילים, מנות מעורבות, תאורה גרועה
הערכת מנות	מאוד גבוהה	עומק, צפיפות, שכבות מוסתרות
דיוק מסד הנתונים	גבוה	רשומות לא מאומתות, נתונים מיושנים, גדלי מנות שגויים

כל שלושת הרכיבים חייבים להיות מדויקים כדי שההערכה הסופית של הקלוריות תהיה מהימנה. שרשרת היא רק חזקה כמו הקישור החלש ביותר שלה.

איך הגישה של Nutrola שונה

הערכת התמונות של Nutrola משתמשת באותו צינור עבודה בסיסי של ראיית מחשב כמו אפליקציות אחרות, אך היא שונה בדרך קריטית אחת: כל זיהוי מזון מתואם למסד נתונים מאומת על ידי תזונאים עם יותר מ-1.8 מיליון רשומות.

זה אומר שגם כאשר ההערכה של ה-AI למנות יש לה שונות קלה, מה שלא ניתן להימנע ממנו בכל הערכה מתמונה דו-ממדית לתמונה תלת-ממדית, הנתונים התזונתיים לכל גרם הם מדויקים. אם ה-AI של Nutrola מעריך 160 גרם של חזה עוף במקום 170 גרם, אתה טועה ב-10 גרם. אבל הצפיפות הקלורית (165 קלוריות ל-100 גרם) היא נכונה כי היא מגיעה ממקור מאומת, ולא מהגשה אנונימית של משתמש.

Nutrola גם תומכת ברישום קולי וסריקת ברקוד כדרכי קלט משלימות. עבור ארוחות שבהן אתה יודע את הכמויות המדויקות, כמו ארוחות ביתיות שבהן שקלת את הרכיבים, רישום קולי ("200 גרם חזה עוף, כוס אחת של אורז חום") מתואם ישירות לנתונים מאומתים ללא הערכה מעורבת. תכונת ה-AI בתמונות פועלת בצורה הטובה ביותר עבור ארוחות שבהן שקילה אינה מעשית, כמו ארוחות במסעדות או ארוחות שהוכנו על ידי מישהו אחר.

במחיר של €2.50 לחודש ללא פרסומות בכל רמה, Nutrola מספקת את שכבת הנתונים המאומתת שהופכת את הערכת הקלוריות בתמונות בעזרת AI ליותר מדויקת באופן משמעותי במעשה, לא רק בתיאוריה.

איך להשיג את הערכות הקלוריות המדויקות ביותר בעזרת AI

לא משנה איזו אפליקציה אתם משתמשים, הפרקטיקות הללו משפרות את דיוק הערכת הקלוריות בתמונות בעזרת AI.

צלמו לפני שאתם מתחילים לאכול. צלחת מלאה נותנת ל-AI את מירב הנתונים החזותיים.

השתמשו בתאורה טבעית או מוארת היטב מלמעלה. הימנעו מצללים, אורות צבעוניים ותאורה אחורית.

קחו את התמונה ישירות מלמעלה. זווית של 90 מעלות מספקת את הייצוג הקונסיסטנטי ביותר של שטח הפנים ומה שהרוב המוחלט של מודלי ה-AI מאומנים עליו.

הפרידו מזונות על הצלחת כאשר זה אפשרי. אם העוף שלכם יושב על האורז, ה-AI לא יכול לראות או להעריך את האורז בצורה מדויקת.

אמתו עם משקל מזון עבור ארוחות חדשות או לא רגילות. השתמשו ב-AI לנוחות בארוחות מוכרות ואמתו עם משקל כאשר אתם נתקלים במשהו חדש.

רשמו רטבים, תיבולים ושמנים בנפרד. גם אם ה-AI מזהה את הסלט שלכם, הוסיפו ידנית את הרוטב כהגשה נפרדת כדי לשפר את הדיוק.

השורה התחתונה

הערכת קלוריות בתמונות בעזרת AI היא כלי שימושי באמת, אך היא לא מכשיר מדויק. עבור ארוחות פשוטות, מוארות היטב ועם פריט אחד, אפשר לסמוך על ההערכה בטווח של 10%. עבור ארוחות מורכבות, מעורבות או במסעדות, יש להתייחס למספר כהנחיה גסה ולאמת כאשר הדיוק חשוב.

המבדיל הגדול בין האפליקציות אינו טכנולוגיית הראייה של ה-AI עצמה אלא מסד הנתונים שהיא מתאימה אליו. אפליקציה שמזהה את המזון שלכם בצורה נכונה אך מתאימה אותו לנתונים לא מאומתים תספק לכם תשובה שגויה בביטחון. מסדי נתונים מאומתים הופכים זיהוי טוב של AI להערכות קלוריות טובות.

שאלות נפוצות

עד כמה מדויקות הערכות הקלוריות מתמונות מזון בעזרת AI?

הדיוק משתנה לפי מורכבות הארוחה. עבור ארוחות פשוטות עם פריט אחד שצולמו בתאורה טובה, אפליקציות מובילות משיגות דיוק של 85-95%. עבור ארוחות מורכבות עם מספר רכיבים, מנות מעורבות או מנות במסעדות, הדיוק יורד ל-55-80%. שלוש מקורות השגיאה העיקריים הם זיהוי מזון שגוי, הערכת גודל המנה מתמונות דו-ממדיות ורשומות מסד נתונים לא מדויקות שה-AI מתאם אליהן.

איזו אפליקציית מעקב קלוריות יש לה את ה-AI המדויק ביותר?

בבדיקות השוואתיות, Nutrola השיגה דיוק כולל של 80-87% בין ארוחות פשוטות, מורכבות וארוחות במסעדות. יתרון זה נובע בעיקר מהתאמת של זיהויי ה-AI למסד נתונים מאומת על ידי תזונאים עם יותר מ-1.8 מיליון רשומות. אפליקציות אחרות כמו Cal AI (70-81%), Foodvisor (68-78%) ו-SnapCalorie (65-76%) משתמשות בטכנולוגיית ראייה דומה אך מתאימות למסדי נתונים פחות מאומתים.

האם AI יכול לדעת כמה קלוריות יש בארוחת מסעדה מתמונה?

AI יכול לספק הערכה גסה של קלוריות בארוחת מסעדה מתמונה, בדרך כלל בטווח של 20-40% מהערכים האמיתיים. ארוחות במסעדות הן אתגר במיוחד בגלל מנות לא סטנדרטיות, שמני בישול מוסתרים, רטבים ובעיית הערכת העומק המובנית בצילום דו-ממדי. עבור ארוחות במסעדות, הערכות קלוריות בתמונות בעזרת AI הן אמינות יותר מאשר ניחוש, אך פחות אמינות מאשר פרסומים קלוריים סטנדרטיים מתפריטים של רשתות גדולות.

מדוע אפליקציות שונות נותנות ערכי קלוריות שונים לאותה תמונה?

אפליקציות שונות משתמשות במודלים שונים של AI, באלגוריתמים שונים להערכת מנות, ובעיקר, במסדי נתונים תזונתיים שונים. אפילו כאשר שתי אפליקציות מזהות נכון את אותו מזון, הן עשויות להתאים לרשומות שונות במסד הנתונים עם ערכי קלוריות שונים. אפליקציות שמשתמשות במסדי נתונים מאומתים מספקות תוצאות עקביות ומדויקות יותר כי יש רק רשומה אחת לכל פריט מזון, מה שמבטל את השונות שהוכנסה על ידי נתונים שנאספו על ידי משתמשים.

האם כדאי להשתמש במשקל מזון במקום הערכת קלוריות בתמונות בעזרת AI?

משקל מזון מדויק יותר מכל הערכת קלוריות בתמונות בעזרת AI עבור ארוחות ביתיות שבהן אתם שולטים ברכיבים. משקל מזון בשילוב עם מסד נתונים תזונתי מאומת כמו של Nutrola מספק את הדיוק הגבוה ביותר האפשרי. הערכת קלוריות בתמונות בעזרת AI היא בעלת ערך רב יותר במצבים שבהם משקל מזון אינו מעשי, כמו ארוחות במסעדות, ארוחות שהוכנו על ידי אחרים או כאשר אתם צריכים לרשום במהירות. הגישה הטובה ביותר היא להשתמש בשניהם: משקל בבית והערכת קלוריות בתמונות בעזרת AI כאשר אוכלים בחוץ.